KR20120093820A - 시변 결함 분류 성능의 모니터링 - Google Patents
시변 결함 분류 성능의 모니터링 Download PDFInfo
- Publication number
- KR20120093820A KR20120093820A KR1020127002877A KR20127002877A KR20120093820A KR 20120093820 A KR20120093820 A KR 20120093820A KR 1020127002877 A KR1020127002877 A KR 1020127002877A KR 20127002877 A KR20127002877 A KR 20127002877A KR 20120093820 A KR20120093820 A KR 20120093820A
- Authority
- KR
- South Korea
- Prior art keywords
- defect
- populations
- samples
- survey tools
- high resolution
- Prior art date
Links
- 230000007547 defect Effects 0.000 title claims abstract description 290
- 238000012544 monitoring process Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 54
- 230000003287 optical effect Effects 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 17
- 238000010894 electron beam technology Methods 0.000 claims description 3
- 235000012431 wafers Nutrition 0.000 description 72
- 238000004519 manufacturing process Methods 0.000 description 23
- 238000004458 analytical method Methods 0.000 description 21
- 238000009826 distribution Methods 0.000 description 21
- 238000012423 maintenance Methods 0.000 description 13
- 230000002950 deficient Effects 0.000 description 12
- 238000011835 investigation Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 230000036962 time dependent Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004630 atomic force microscopy Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000000386 microscopy Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000001878 scanning electron micrograph Methods 0.000 description 1
- 238000005389 semiconductor device fabrication Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/26—Testing of individual semiconductor devices
- G01R31/265—Contactless testing
- G01R31/2656—Contactless testing using non-ionising electromagnetic radiation, e.g. optical radiation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/26—Testing of individual semiconductor devices
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/2851—Testing of integrated circuits [IC]
- G01R31/2894—Aspects of quality control [QC]
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/37—Measurements
- G05B2219/37224—Inspect wafer
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/10—Measuring as part of the manufacturing process
- H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L2924/00—Indexing scheme for arrangements or methods for connecting or disconnecting semiconductor or solid-state bodies as covered by H01L24/00
- H01L2924/0001—Technical content checked by a classifier
- H01L2924/0002—Not covered by any one of groups H01L24/00, H01L24/00 and H01L2224/00
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Quality & Reliability (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- Toxicology (AREA)
- Power Engineering (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
시변 분류 성능을 모니터링하기 위한 시스템과 방법이 개시된다. 본 방법은, 비제한적인 예시로서, 하나 이상의 스캐닝 조사 툴들로부터 하나 이상의 샘플들의 하나 이상의 특성들을 나타내는 하나 이상의 신호들을 수신하는 단계; 상기 하나 이상의 스캐닝 조사 툴들로부터 수신된 상기 하나 이상의 신호들에 대한 하나 이상의 분류 규칙들의 적용에 따라 상기 하나 이상의 샘플들에 대한 하나 이상의 결함 유형들의 개체수(population)들을 결정하는 단계; 하나 이상의 고해상 조사 툴들을 이용하여 상기 하나 이상의 샘플들에 대한 상기 하나 이상의 결함 유형들의 개체수들을 결정하는 단계; 및 상기 하나 이상의 스캐닝 조사 툴들로부터 수신된 하나 이상의 신호들에 적용된 하나 이상의 분류 규칙들의 적용으로부터 결정된 하나 이상의 샘플들에 대한 하나 이상의 결함 유형들의 개체수들과 상기 하나 이상의 고해상 조사 툴들을 이용하여 결정된 상기 하나 이상의 샘플들에 대한 상기 하나 이상의 결함 유형들의 개체수들간의 하나 이상의 상관(correlation)들을 계산하는 단계를 포함할 수 있다.
Description
관련 출원에 대한 상호-참조
본 출원은 2009년 7월 1일에 출원된 미국 가특허 출원 61/222,388의 우선권을 청구하며, 이 가특허 출원 내용 전체는 참조로서 본 명세서내에 병합된다.
반도체 디바이스 제조에 있어서, 패턴화형 및 비패턴화형 웨이퍼 조사를 위한 결함 분류는 결함 검출 프로세스 동안에 획득된 데이터(예컨대, 패치 이미지, 이미지 피처 벡터, 센서 데이터 스트림 등)로부터 추출된 속성들 및 칩 레이아웃과 같은 (검출 프로세스 동안 또는 그 이후에) 외부 소스들로부터 유도된 콘텍스트 속성들을 포함한 다양한 결함 관련 파라미터들에 기초한 파싱 스캐닝 조사기 결함 데이터의 프로세스이다. (예컨대 Kulkarni 등의 미국 특허 7,676,077; Zaffar 등의 미국 특허 7,570,796를 참조하라.) 이와 같은 기능은 다양한 스캐닝 결함 조사 툴들(예컨대, 명시야(bright field) 패턴화형 웨이퍼 조사기, 패턴화형 또는 비패턴화형 암시야(dark field) 포톤 광학 웨이퍼 조사기; 전자 빔 광학 영역 스캐닝 조사기 등)과 연관된 결함 분류기 모듈들에 의해 수행될 수 있다. 현재의 분류기 유지 방법론들은 분류기 성능에서의 이력 정보 및 시간 의존성 트렌드를 측정하지 않으며 레버리징하지 않을 수 있다. 일반적으로, 분류기의 성능의 ad hoc 스냅샷들은 관측될 수 있으며, 성능이 저하된 경우, 분류기에서의 변동에 대한 필요성이 추론될 수 있다. 그런 후 생산 데이터는 수집되어 분류기를 업데이트하는데 이용된다.
분류기 성능의 정밀조사를 트리거하기 위해 저하된 분류기 성능에 의존하는 현재의 방법론들은 시간의 함수로서의 분류기 성능에 관한 모든 정보를 레버리징하지 못한다. 그 결과로서, 이와 같은 방법론들은 베이스라인에 대한 분류기의 작동에서의 변동들을 정량화하는 어떠한 수단도 제공하지 않는다. 특히, 이와 같은 방법론들은 분류기 성능 변동이 결함 특성들에서 반영된 프로세스 요동들에 대한 불안정성에 기인된 것인지 또는 결함 유형들간의 상대적인 개체수(population)들에서의 변동의 결과인지를 정량화하거나 또는 심지어 확인해주는 어떠한 방법도 제공하지 않는다. 대신에 현재의 분류기 유지 방법론들은 과거의 생산 런들을 통해 수집되어 축적된 통계적 정보보다는 ad hoc 정성적(qualitative) 정보를 이용한다.
이와 같은 ad hoc 메트릭(metric)들은 하나의 생산 웨이퍼로부터 또 다른 생산 웨이퍼까지 발생하거나 또는 발생할 것으로 예측된 분류 성능에서의 변동들을 정량화하는 능력이 없다. 뿐만 아니라, 이와 같은 ad hoc 메트릭들은 조사기 툴 하드웨어와 조사기 민감 고려사항들을 고려하지 않는다. 이러한 단점의 결과는 분류 유지 비지니스 프로세스에서 과소 보정과 과대 보정 모두가 발생하여 결함 조사 데이터의 중요성을 제조공장이 잘못해석할 위험성을 가져다줄 수 있다라는 것이다.
시변 분류 성능을 모니터링하기 위한 시스템과 방법이 개시된다.
본 방법은, 비제한적인 예시로서, 하나 이상의 스캐닝 조사 툴들로부터 하나 이상의 샘플들의 하나 이상의 특성들을 나타내는 하나 이상의 신호들을 수신하는 단계; 상기 하나 이상의 스캐닝 조사 툴들로부터 수신된 상기 하나 이상의 신호들에 대한 하나 이상의 분류 규칙들의 적용에 따라 상기 하나 이상의 샘플들에 대한 하나 이상의 결함 유형들의 개체수(population)들을 결정하는 단계; 하나 이상의 고해상 조사 툴들을 이용하여 상기 하나 이상의 샘플들에 대한 상기 하나 이상의 결함 유형들의 개체수들을 결정하는 단계; 및 상기 하나 이상의 스캐닝 조사 툴들로부터 수신된 하나 이상의 신호들에 적용된 하나 이상의 분류 규칙들의 적용으로부터 결정된 하나 이상의 샘플들에 대한 하나 이상의 결함 유형들의 개체수들과 상기 하나 이상의 고해상 조사 툴들을 이용하여 결정된 상기 하나 이상의 샘플들에 대한 상기 하나 이상의 결함 유형들의 개체수들간의 하나 이상의 상관들을 계산하는 단계를 포함할 수 있다.
전술한 대략적인 설명과 후술하는 상세한 설명 모두는 일례일 뿐으로서 예시적인 것에 불과하며, 청구된 본 발명을 반드시 제한시키지는 않는다는 것을 이해해야 한다. 본 명세서에서 병합되어 있고 본 명세서의 일부를 구성하는 첨부 도면들은 본 발명의 실시예들을 도시하며, 상기 개략적인 설명과 함께, 본 발명의 원리들을 설명하는 역할을 한다.
본 발명개시의 수많은 장점들은 첨부 도면들을 참조함으로써 본 발명분야의 당업자에 의해 보다 잘 이해될 수 있다:
도 1은 시변 분류 성능을 모니터링하기 위한 시스템을 도시한다.
도 2는 결함 개체수의 그래픽적 표현을 도시한다.
도 3은 결함 개체수의 그래픽적 표현을 도시한다.
도 4는 결함 개체수의 그래픽적 표현을 도시한다.
도 5는 결함 개체수의 그래픽적 표현을 도시한다.
도 6은 결함 개체수의 그래픽적 표현을 도시한다.
도 7은 결함 개체수의 그래픽적 표현을 도시한다.
도 8은 결함 개체수의 그래픽적 표현을 도시한다.
도 9는 결함 개체수의 그래픽적 표현을 도시한다.
도 10은 시변 분류 성능을 모니터링하기 위한 방법을 도시한다.
도 11은 시변 분류 성능을 모니터링하기 위한 방법을 도시한다.
도 12는 시변 분류 성능을 모니터링하기 위한 방법을 도시한다.
도 13은 시변 분류 성능을 모니터링하기 위한 방법을 도시한다.
도 14는 시변 분류 성능을 모니터링하기 위한 방법을 도시한다.
도 1은 시변 분류 성능을 모니터링하기 위한 시스템을 도시한다.
도 2는 결함 개체수의 그래픽적 표현을 도시한다.
도 3은 결함 개체수의 그래픽적 표현을 도시한다.
도 4는 결함 개체수의 그래픽적 표현을 도시한다.
도 5는 결함 개체수의 그래픽적 표현을 도시한다.
도 6은 결함 개체수의 그래픽적 표현을 도시한다.
도 7은 결함 개체수의 그래픽적 표현을 도시한다.
도 8은 결함 개체수의 그래픽적 표현을 도시한다.
도 9는 결함 개체수의 그래픽적 표현을 도시한다.
도 10은 시변 분류 성능을 모니터링하기 위한 방법을 도시한다.
도 11은 시변 분류 성능을 모니터링하기 위한 방법을 도시한다.
도 12는 시변 분류 성능을 모니터링하기 위한 방법을 도시한다.
도 13은 시변 분류 성능을 모니터링하기 위한 방법을 도시한다.
도 14는 시변 분류 성능을 모니터링하기 위한 방법을 도시한다.
아래의 예시적인 실시예들의 상세한 설명에서, 실시예의 일부를 형성하는 첨부 도면을 참조한다. 여러 개의 도면들에서, 동일한 참조 번호들은 동일한 엘리먼트들을 식별해준다. 상세한 설명과 도면들은 예시적인 실시예들을 나타낸다. 본 명세서에 제공된 발명내용의 사상 또는 범위로부터 벗어남 없이, 다른 실시예들이 활용될 수 있고, 다른 변경들이 행해질 수 있다. 그러므로 아래의 상세한 설명은 제한적인 의미로 받아들여서는 안되며, 청구된 발명내용의 범위는 첨부된 청구항들에 의해 정해진다.
도 1을 참조하면, 시변 분류 성능을 모니터링하기 위한 시스템(100)이 도시된다. 시스템(100)은 조사 모듈(101), 결함 분석 모듈(102), 분류기 성능 모니터링 모듈(103), 및 분류기 유지 모듈(104)을 포함할 수 있다.
조사 모듈(101)은 스캐닝 조사 툴(101A)을 포함할 수 있다. 스캐닝 조사 툴(101A)은 웨이퍼 샘플의 영역을 스캔하도록 구성된 임의의 갯수의 패턴화형 웨이퍼 결함 검출 툴 유형들(예컨대, 명시야 UV/DUV 조사기, 암시야(dark field) 레이저 스캐터링 조사기, 전자 빔 조사기, 등)을 포함할 수 있다. 또한, 본 발명의 원리들은 베어 웨이퍼 조사 및 리뷰 프로세스들에 적용될 수 있다. 스캐닝 조사 툴(101A)은 반도체 제조 프로세스 동안에 생성된 반도체 컴포넌트들에서의 제조 결함들(예컨대, 입자들, 패턴 결함들, 스크래치들, 막 불완전성 등)을 검출하도록 구성될 수 있다. 제조 프로세스를 최적화하기 위해, 조사 모듈(101)에 의해 결정된 다양한 결함 유형들 및 이 유형의 개체수들을 아는 것이 바람직할 수 있다. 따라서, 조사 모듈(101)은 분류기 모듈(101B)을 포함할 수 있다.
예를 들어, 도 1에서 도시된 바와 같이, 분류기 모듈(101B)은 분류기 규칙 데이터베이스(101C)를 포함할 수도 있다. 분류기 규칙 데이터베이스(101C)는, 분류기 모듈(101B)이 특정한 광학적 시그너처를 정의된 결함 유형과 연관시킬 수 있도록 하기 위해, 스캐닝 조사 툴(101A)에 의해 생성된 데이터와의 비교를 위한 다양한 결함 유형들을 정하는 특성들(예컨대, 크기, 형상, 극성, 텍스쳐(texture), 콘트라스트, 백그라운드 비지니스 등)을 포함할 수 있다. 분류기 규칙 데이터베이스(101C)의 결함 유형 정의들은 알려진 결함들과 연관된 스캐닝 조사 툴(101A) 데이터의 분석으로부터 생성될 수 있다.
예를 들어, 하나 이상의 결함 유형들을 갖는 하나 이상의 기준 웨이퍼들은 웨이퍼 샘플을 검사하도록 구성된 고해상 조사 툴(103A)을 이용한 점대점(예컨대, 래스터링된 패턴) 조사를 이용하여 분석될 수 있다. 고해상 조사 툴(103A)은 결함 분류 이용 케이스에 최적화된 스캐닝 전자 현미경일 수 있다. 대안적인 이미지 획득 기술들은 원자력 현미경, 공초점(confocal) UV/DUV, EUV 현미경 등을 포함할 수 있다. 기준 웨이퍼에서 존재하는 다양한 결함들을 결정하기 위해 결함 유형들은 성능 모니터링 모듈(103)의 스캐닝 전자 현미경으로 생성된 기준 웨이퍼의 이미지들을 기술자가 검사함으로써 분석될 수 있다. 점대점 고해상 이미지 취득 툴들은 분류 프로세스에 추가적인 속성들을 추가시킬 수 있는 물질 분석 기구들을 갖춤에 따라 확장될 수 있다.
고해상 조사 툴(103A)을 이용한 기준 웨이퍼들의 분석시, 각각의 기준 웨이퍼상의 다양한 결함 유형들에 대한 기준 개체수 분포가 결정될 수 있다. 기준 개체수 분포는 분류기 유지 모듈(104)에게 제공될 수 있다.
그런 후 분류기 규칙 데이터베이스(101C)에서 저장된 소정의 결함 유형 정의들의 세트를 이용하여 조사 모듈(101)에 의해 하나 이상의 기준 웨이퍼들의 조사가 수행될 수 있다. 스캐닝 조사 툴(101A)에 의해 생성된 조사 데이터는 분류기 모듈(101B)에 의해 수신될 수 있다. 분류기 모듈(101B)은 분류기 규칙 데이터베이스(101C)에서 유지된 결함 유형 정의들과 함께 스캐닝 조사 툴(101A)에 의해 생성된 조사 데이터를 상호참조하여 이러한 결함 유형 정의들에 의해 정의된 하나 이상의 결함들의 존재를 결정할 수 있다. 분류기 모듈(101B)은 하나 이상의 기준 웨이퍼들상에서 검출된 결함 유형들의 각각의 개체수들에 대응하는 결과적인 샘플 결함 분포를 생성할 수 있다. 샘플 개체수 분포는 분류기 유지 모듈(104)에게 제공될 수 있다.
분류기 유지 모듈(104)에 의해 수신된 샘플 개체수 분포와 성능 모니터링 모듈(103)에 의해 수신된 기준 개체수 분포는 각각의 분포들간의 상관을 결정하기 위해 비교될 수 있다.
만약 분류기 규칙 데이터베이스(101C)에 의해 유지된 현재의 결함 유형 정의들이 기준 개체수 분포에 대응하지 않는(즉, 허용 범위 밖에 있는) 샘플 결함 분포를 초래시킨다고 결정되면, 고해상 조사 툴(103A)을 이용하여 확립된 기준 개체수 분포에 대응하는(즉, 허용 범위 내에 있는) 샘플 결함 분포가 될 때 까지 반복해서 (예컨대, 전문가에 의한 수동적인 개입을 통하거나 또는 구성가능한 규칙들에 기초한 다양한 레벨들의 자동화를 통해) 조사 모듈(101)을 이용한 조사 및 이러한 결함 유형 정의들을 수정하는데 분류기 유지 모듈(104)이 이용될 수 있다. 만약 분류기 규칙 데이터베이스(101C)에 의해 유지된 현재의 결함 유형 정의들이 고해상 조사 툴(103A)을 이용하여 확립된 기준 개체수 분포에 대응하는(즉, 허용 범위 내에 있는) 샘플 결함 분포를 초래시킨다라고 결정되면, 이러한 결함 유형 정의들은 웨이퍼 제조 런들을 위한 조사 동작들에서의 이용을 위해 승인될 수 있다.
분류기 모듈(101B)의 분류기 규칙 데이터베이스(101C)내에 승인된 결함 유형 정의들을 포함하는 분류기 모듈(101B)이 생산 환경내로 병합되면, 하나 이상의 제조 프로세스, 조사 모듈(101) 및 분류기 모듈(101B) 자체에서의 변동들에 대한 분류기 모듈(101B)에 의한 반응의 적정성을 확인하기 위해, 분류기 모듈(101B)에 의해 생성된 정량적인 분류 성능 데이터를 추출하고 이 데이터를 분석하는 것이 바람직할 수 있다. 이러한 분류 성능 정보는 후속하여, 저하된 분류기 성능을 현재의 생산 환경에 알맞도록 복구하도록 하는 교정 작업들을 안내하는데 이용될 수 있다.
시스템(100)은 조사된 웨이퍼들에 걸쳐 조사 모듈(101)을 이용하여 획득된 시간 의존적 분류 결과들을 캡쳐하고 (예컨대, SEM 이미지들의 분석으로부터 생산된) 이러한 결과들을 샘플 결함 파레토로부터 추정된 결함 유형들과 연관된 결함 개체수들의 시간 의존적 분류들에 비교하기 위해 분류기 모듈(101B)과 연관된 통계적 메트릭들을 측정하기 위한 하나 이상의 컴퓨팅 디바이스 기반 방법을 실행하는데 활용될 수 있다. 이 비교 방법은 분류 결과들이 얼마나 진정한 개체수를 표시하는지를 측정하고 확립된 베이스라인으로부터의 임의의 일탈(departure)을 나타내도록 설계된 통계적 메트릭들을 생산할 수 있다.
제안된 방법은 분류기 성능 변동들의 두 개의 내재적인 소스들, 즉, 1) "분류기 안정성"이라고 일반적으로 불리우는 각각의 결함 유형내에서의 결함 특성들에서의 웨이퍼 대 웨이퍼 변동들에 대한 반응; 및 2) 상대적인 결함 유형 개체수들에서의 웨이퍼 대 웨이퍼 변동들에 대한 반응을 처리하고 확인하는데 도움을 줄 수 있다.
결함 특성들에서의 웨이퍼 대 웨이퍼 변동들로 인한 불안정성은 진정한 결함 유형들과만 부분적으로 상관할 수 있는, 어떠한 결함 특성들(속성들) 및/또는 특징들에 기초하여 분류기들이 결함들을 분류한다는 사실의 결과이다. 결함 유형 개체수내에서의 특성들의 자연적인 요동들 또는 프로세스 변동에 의해 유발된 요동들은 일정한 오분류 가능성을 야기시킨다. 분류 모듈에 제공되는 속성들에 영향을 미칠 수 있는 웨이퍼 특성들의 예시들에는 막 두께 변동(국부적/높은 공간 주파수 또는 글로벌/낮은 공간 주파수), 횡치수 변동성, 막 반사율 변동, 굴절지수 변동, 및/또는 층대층 정렬 변동이 포함된다.
상대적인 결함 유형 개체수들에서의 웨이퍼 대 웨이퍼 변동들로 인한 불안정성은 또한 분류기의 불완전한 정확성과 순도로 인해 분류기 성능에 영향을 미칠 수 있다.
통계적 메트릭들은 확인되지 않는 경우 검출되지 않은 채로 남아있었을 프로세스 변동 및 조사기 교정 드리프트의 신호들을 구성하는 분류기 성능에서의 단기간 및 장기간 트렌드들의 확인을 가능하게 해줄 수 있다. 시간에서의 이러한 트렌드들의 패턴 및 시간 발생은 근본 원인을 정확히 찾아내고 및/또는 하나 이상의 교정 작업들(예컨대, 스캐닝 조사 툴(101A) 유지, 분류기 모듈(101B) 유지 또는 제조 프로세스 변경의 교정)을 트리거하는데 도움을 줄 수 있다.
통계적 메트릭들은 최적화될 수 있는 것이 분류기 안정성인지 또는 분류기 순도인지 여부를 나타내고, 이에 따라 후속적인 최적화 단계로 진행하는 방법에 대한 가이드라인들을 제공할 수 있다.
이하는 구현예들을 도시하는 일련의 흐름도들의 설명이다. 이해의 용이성을 위해, 초기 흐름도들은 예시적인 구현을 통한 구현들을 제시하고 그 후 다음의 흐름도들은 하나 이상의 이전에 제시된 흐름도들상에 구축된 추가적인 컴포넌트 동작들 또는 서브 컴포넌트 동작들로서의 초기 흐름도(들)의 대안적인 구현들 및/또는 확장들을 제시하도록 흐름도들은 짜여진다. 본 발명의 당업자들은 여기서 활용된 프리젠테이션의 스타일(예컨대, 예시적인 구현을 제시하고 그 후 후속하는 흐름도들에서 첨가사항들을 제공하거나 및/또는 추가적인 세부사항을 제공하는 흐름도(들)의 프리젠테이션으로 시작함)은 일반적으로 다양한 프로세스 구현들의 빠르고 용이한 이해를 가능하게 해주는 것을 이해할 것이다. 또한, 본 발명의 당업자는 여기서 이용된 프리젠테이션의 스타일은 그 자체로 모듈라 및/또는 객체 지향적 프로그램 설계 패러다임에 잘 적합한다는 것을 추가적으로 이해할 것이다.
도 10 내지 도 14는 분류기 성능을 모니터링하는 것과 관련된 예시적인 동작들을 나타내는 동작 흐름을 도시한다. 동작 흐름들의 다양한 예시들을 포함하는 도 10 내지 도 14에서는, 도 1의 상술한 예시들과 관련되고/관련되거나 다른 예시들 및 구성들과 관련된 논의와 설명이 제공될 수 있다. 하지만, 동작 흐름들은 수 많은 다른 환경들 및 구성들, 및/또는 도 10 내지 도 14의 수정된 버전들에서 실행될 수 있다는 것을 이해해야 한다. 또한, 도시된 시퀀스(들)에서는 다양한 동작 흐름들이 제시되지만, 다양한 동작들은 도시된 것과 다른 순서들로 수행될 수 있거나, 또는 동시적으로 수행될 수 있다는 것을 이해해야 한다.
도 10을 참조하면, 프로세스(1000)에 대한 동작 흐름도가 도시된다. 동작(1010)은 하나 이상의 스캐닝 조사 툴들로부터 하나 이상의 샘플들의 하나 이상의 특성들을 나타내는 하나 이상의 신호들을 수신하는 것을 도시한다. 예를 들어, 도 1에서 도시된 바와 같이, 하나 이상의 반도체 구조물들을 포함하는 샘플 웨이퍼(105)는 제조 프로세싱 모듈(106)의 생산 런 동안에 생성될 수 있다. 샘플 웨이퍼(105)는 조사 모듈(101)의 스캐닝 조사 툴(101A)에 의해 수신될 수 있으며, 스캐닝 조사 툴(101A)은 하나 이상의 결함들을 나타내는 신호들을 포함할 수 있는 샘플 웨이퍼(105)의 광학적 특징들을 나타내는 신호들(107)을 생성함으로써 이러한 결함들의 검출의 표시를 제공할 수 있다.
동작(1020)은 하나 이상의 스캐닝 조사 툴들로부터 수신된 하나 이상의 신호들에 대한 하나 이상의 분류 규칙들의 적용에 따라 하나 이상의 샘플들에 대한 하나 이상의 결함 유형들의 개체수들을 결정하는 것을 도시한다. 예를 들어, 도 1에서 도시된 바와 같이, 분류기 모듈(101B)은 스캐닝 조사 툴(101A)로부터 샘플 웨이퍼(105)의 광학적 특징들을 나타내는 신호들(107)을 수신할 수 있다. 신호들(107)이 특정한 유형의 결함의 존재를 나타내는지를 결정하기 위해 분류기 모듈(101B)은 분류기 규칙 데이터베이스(101C)에서 유지된 하나 이상의 분류 규칙들을 신호들(107)에 적용할 수 있다. 만약 신호들(107)의 분석에 기초하여 특정한 유형의 결함이 샘플 웨이퍼(105)상에서 존재하는 것으로 결정되면, 분류기 모듈(101B)은 결함 모니터링 데이터베이스(101D)를 업데이트할 수 있다(예컨대, 결함 유형과 연관된 카운터를 증가시킴).
동작(1030)은 하나 이상의 고해상 조사 툴들을 이용하여 하나 이상의 샘플들에 대한 하나 이상의 결함 유형들의 개체수들을 결정하는 것을 도시한다. 예를 들어, 도 1에서 도시된 바와 같이, 스캐닝 조사 툴(101A)에 제공된 동일한 샘플 웨이퍼(105)는 또한 성능 모니터링 모듈(103)에 제공될 수 있다. 성능 모니터링 모듈(103)에서 샘플 웨이퍼(105)는 고해상 조사 툴(103A)(예컨대, SEM)에 의해 분석될 수 있다. 점대점 고해상 조사 툴(103A)은 스캐닝 조사 툴(101A)에 비해 이미징 성능 향상을 제공할 수 있지만 웨이퍼 제조 런들 동안의 인라인 광역 결함 검출에는 적합하지 않을 수 있다. 하지만, 주기적인, 서브 샘플링 방식에 대해서는 스캐닝 조사 툴(101A)의 성능의 검증을 위한 툴로서 활용될 수 있다. 스캐닝 조사 툴(101A)을 이용하여 이전에 결정된 특정한 유형의 결함들에 대한 개체수들을 결정하기 위해, 기술자는 개체수를 수동적으로 결정하기 위해 고해상 조사 툴(103A)로 생성된 기준 웨이퍼의 이미지들을 검사할 수 있다. 이와 달리, 자동화된 이미지 프로세싱 툴들이 개체수를 결정하기 위해 이미지들을 검사하는데 활용될 수 있다.
동작(1040)은 하나 이상의 스캐닝 조사 툴들로부터 수신된 하나 이상의 신호들에 적용된 하나 이상의 분류 규칙들의 적용으로부터 결정된 하나 이상의 샘플들에 대한 하나 이상의 결함 유형들의 개체수들과 하나 이상의 고해상 조사 툴들을 이용하여 결정된 하나 이상의 샘플들에 대한 하나 이상의 결함 유형들의 개체수들간의 하나 이상의 상관들을 계산하는 것을 도시한다. 예를 들어, 도 1에서 도시된 바와 같이, 결함 분석 모듈(102)은 조사 모듈(101)에 의해 결정된 결함 개체수 데이터(108)(예컨대, 결함 개체수 데이터(108A))와 성능 모니터링 모듈(103)에 의해 결정된 결함 개체수 데이터(108)(예컨대, 결함 개체수 데이터(108B))를 이러한 각각의 모듈들로부터 수신할 수 있다. 결함 개체수 데이터(108)는 결함 개체수 데이터(108)의 시간 의존성이 결함 분석 모듈(102)에 의해 모니터링될 수 있도록 시구간에 걸쳐 수신될 수 있다. 예를 들어, 도 2와 도 3에서 도시된 바와 같이, 결함 개체수 데이터(108A)와 결함 개체수 데이터(108B)에 의해 표현된 다양한 결함 개체수들은 서로가 대조되어 도식화될 수 있고 하나 이상의 상관들이 이러한 데이터 세트들로부터 결정될 수 있다. 예를 들어, 결정될 수 있는 특정한 상관들은, 1) 성능 모니터링 모듈(103)에 의해 결정된 결함 개체수의 안정성에 비교된 조사 모듈(101)에 의해 결정된 결함 개체수의 상대적인 안정성; 또는 2) 성능 모니터링 모듈(103)에 비교된 조사 모듈(101)의 진행중인 성능 특징들을 포함한다.
예를 들어, 결함 개체수 데이터(108A)와 결함 개체수 데이터(108B) 각각의 이동 평균을 나타내는 트렌드 라인이 각각 도 2와 도 3에서 도시된다. 살펴볼 수 있는 바와 같이, 대략 t=4에서부터 대략 t=20까지는 도 2의 결함 개체수 데이터(108A)와 도 3의 결함 개체수 데이터(108B)간에 높은 상관도가 존재한다(예컨대, 도 3의 트렌드 라인으로부터 도 2의 트렌드 라인의 일탈은 적다). 이에 따라 도 2의 결함 개체수 데이터(108A)는 도 3의 결함 개체수 데이터(108B)에 대해 상대적으로 안정적이다라고 말할 수 있다. 이와 같은 상관은 조사 모듈(101)에 의한 결함들의 분류를 지배하는 분류기 규칙 데이터베이스(101C)의 분류 규칙들은 적당할 수 있다는 것을 나타낼 수 있다.
하지만, 대략 t=20에서부터 대략 t=40까지는 도 2의 결함 개체수 데이터(108A)와 도 3의 결함 개체수 데이터(108B)간에 낮은 상관도가 존재한다(예컨대, 도 3의 트렌드 라인으로부터 도 2의 트렌드 라인의 일탈은 크다). 이와 같은 편차는 조사 모듈(101)에 의한 결함들의 분류를 지배하는 분류기 규칙 데이터베이스(101C)의 분류 규칙들이 이와 같은 결함들을 적절하게 분류하는데 부적당할 수 있으므로 (제조 프로세싱 모듈(106)과는 대조적으로) 조사 모듈(101)에 문제가 있다는 것을 나타낼 수 있다.
도 11은 도 10의 예시적인 동작 흐름(1000)의 대안적인 실시예들을 도시한다. 도 11은 동작 흐름(1000)의 동작들(1020, 1030 및 1040)이 적어도 하나의 추가적인 동작을 포함할 수 있는 예시적인 실시예들을 도시한다. 추가적인 동작들은 동작(1102); 및/또는 동작(1104); 및/또는 동작(1106)을 포함할 수 있다.
동작(1102)은 하나 이상의 스캐닝 조사 툴들로부터 수신된 하나 이상의 신호들에 대한 하나 이상의 분류 규칙들의 적용에 따라 적어도 제1 샘플과 제2 샘플에 대한 하나 이상의 결함 유형들의 개체수들을 결정하는 것을 도시한다. 도 1에서 도시된 예시의 경우, 조사 모듈(101)은 제1 샘플 웨이퍼(105)상의 (동작(1020)과 관련하여 상술한) 특정한 결함 유형의 개체수를 결정할 수 있다. 이 개체수는 제1 시점(예컨대, 제1 샘플 웨이퍼(105)의 제조의 완료 시간)과 연관될 수 있다. 마찬가지로, 조사 모듈(101)은 제2 샘플 웨이퍼(105)상의 (동작(1020)과 관련하여 상술한) 특정한 결함 유형의 개체수를 결정할 수 있다. 이 개체수는 제2 시점(예컨대, 제2 샘플 웨이퍼(105)의 제조의 완료 시간)과 연관될 수 있다. 그런 후 조사 모듈(101)은 제1 샘플 웨이퍼(105) 및 제2 샘플 웨이퍼(105)와 관련된 결함 개체수 데이터(108A)를 결함 분석 모듈(102)에 제공할 수 있다.
동작(1104)은 하나 이상의 고해상 조사 툴들을 이용하여 적어도 제1 샘플과 제2 샘플에 대한 하나 이상의 결함 유형들의 개체수들을 결정하는 것을 도시한다. 도 1에서 도시된 예시의 경우, 성능 모니터링 모듈(103)은 제1 샘플 웨이퍼(105)상의 (동작(1030)과 관련하여 상술한) 특정한 결함 유형의 개체수를 결정할 수 있다. 이 개체수는 제1 시점(예컨대, 제1 샘플 웨이퍼(105)의 제조의 완료 시간)과 연관될 수 있다. 마찬가지로, 성능 모니터링 모듈(103)은 제2 샘플 웨이퍼(105)상의 (동작(1030)과 관련하여 상술한) 특정한 결함 유형의 개체수를 결정할 수 있다. 이 개체수는 제2 시점(예컨대, 제2 샘플 웨이퍼(105)의 제조의 완료 시간)과 연관될 수 있다. 그런 후 성능 모니터링 모듈(103)은 제1 샘플 웨이퍼(105) 및 제2 샘플 웨이퍼(105)와 관련된 결함 개체수 데이터(108B)를 결함 분석 모듈(102)에 제공할 수 있다.
동작(1106)은 하나 이상의 광학적 조사 툴들로부터 수신된 하나 이상의 신호들에 대한 하나 이상의 분류 규칙들의 적용으로부터 결정된 하나 이상의 결함 유형들의 개체수들과 하나 이상의 고해상 조사 툴들의 이용을 통해 결정된 하나 이상의 결함 유형들의 개체수들의 적어도 제1 샘플과 제2 샘플간의 상대적인 안정성을 계산하는 것을 도시한다. 예를 들어, 도 1에서 도시된, 결함 분석 모듈(102)은 시간의 흐름에 걸쳐 결함 개체수 데이터(108A)를 모니터링할 수 있다. 예를 들어, 도 2에서 도시된 바와 같이, 제1 샘플 웨이퍼(105)와 제2 샘플 웨이퍼(105)에서 발견된 특정한 결함 유형(예컨대, 결함-1)에 대한 결함 개체수를 나타내는 결함 개체수 데이터(108A)가 제1 샘플 웨이퍼(105)와 제2 샘플 웨이퍼(105)의 제조의 완료에 대응하는 시간에 따라 각각 도식화될 수 있으며, 이로써, 결함 분석 모듈(102)이 시간의 흐름에 걸쳐 결함 개체수 데이터(108A)를 모니터링할 수 있도록 한다.
마찬가지로, 결함 분석 모듈(102)은 시간의 흐름에 걸쳐 결함 개체수 데이터(108B)를 모니터링할 수 있다. 예를 들어, 도 3에서 도시된 바와 같이, 제1 샘플 웨이퍼(105)와 제2 샘플 웨이퍼(105)에서 발견된 특정한 결함 유형(예컨대, 결함-1)에 대한 결함 개체수를 나타내는 결함 개체수 데이터(108B)가 제1 샘플 웨이퍼(105)와 제2 샘플 웨이퍼(105)의 제조의 완료에 대응하는 시간에 따라 각각 도식화될 수 있으며, 이로써, 결함 분석 모듈(102)이 시간의 흐름에 걸쳐 결함 개체수 데이터(108B)를 모니터링할 수 있도록 한다.
그런 후 결함 분석 모듈(102)은 시간의 흐름에 걸친 결함 개체수 데이터(108A)와 결함 개체수 데이터(108B)간의 상관을 결정할 수 있다. 결함 개체수 데이터(108A)와 결함 개체수 데이터(108B)간의 상관은 해당 데이터의 상대적인 안정성들일 수 있다.
결함 개체수 데이터(108A)와 결함 개체수 데이터(108B)의 상대적인 안정성들은 이러한 데이터 세트들내의 요동 정도(degree of fluctuation)에 의해 측정될 수 있다. 예를 들어, 도 4는 (도 2에서 도시된) 결함 개체수 데이터(108A)의 이동 평균으로부터의 결함 개체수 데이터(108A)의 일탈을 도시한다. 마찬가지로, 도 5는 (도 3에서 도시된) 결함 개체수 데이터(108B)의 이동 평균으로부터의 결함 개체수 데이터(108B)의 일탈을 도시한다. 살펴볼 수 있는 바와 같이, t=0 내지 t=20의 구간에서 결함 개체수 데이터(108A)에 대한 요동의 정도는 결함 개체수 데이터(108B)에 대한 요동의 정도보다 크다. 이와 같은 불안정성은 결함들의 분류를 지배하는 분류기 규칙 데이터베이스(101C)의 분류 규칙들은 적당할 수 있다는 것을 나타낼 수 있다.
도 12는 도 10의 예시적인 동작 흐름(1000)의 대안적인 실시예들을 도시한다. 도 12는 동작 흐름(1000)의 동작들(1020, 1030 및 1040)이 적어도 하나의 추가적인 동작을 포함할 수 있는 예시적인 실시예들을 도시한다. 추가적인 동작들은 동작(1202); 및/또는 동작(1204); 및/또는 동작(1206); 및/또는 동작(1208); 및/또는 동작(1210)을 포함할 수 있다.
동작(1202)은 하나 이상의 스캐닝 조사 툴들로부터 수신된 하나 이상의 신호들에 대한 하나 이상의 분류 규칙들의 적용에 따라 샘플에 대한 적어도 제1 결함 유형과 제2 결함 유형의 개체수를 결정하는 것을 도시한다. 도 1에서 도시된 예시의 경우, 조사 모듈(101)은 샘플 웨이퍼(105)상의 (동작(1020)과 관련하여 상술한) 제1 결함 유형의 개체수를 결정할 수 있다. 마찬가지로, 조사 모듈(101)은 샘플 웨이퍼(105)상의 (동작(1020)과 관련하여 상술한) 특정한 제2 결함 유형의 개체수를 결정할 수 있다. 그런 후 조사 모듈(101)은 제1 샘플 웨이퍼(105) 및 제2 샘플 웨이퍼(105)와 관련된 결함 개체수 데이터(108A)를 결함 분석 모듈(102)에 제공할 수 있다.
동작(1204)은 하나 이상의 고해상 조사 툴들을 이용하는 것에 따라 샘플에 대한 적어도 제1 결함 유형과 제2 결함 유형의 개체수를 결정하는 것을 도시한다. 도 1에서 도시된 예시의 경우, 성능 모니터링 모듈(103)은 샘플 웨이퍼(105)상의 (동작(1030)과 관련하여 상술한) 제1 결함 유형의 개체수를 결정할 수 있다. 마찬가지로, 성능 모니터링 모듈(103)은 샘플 웨이퍼(105)상의 (동작(1030)과 관련하여 상술한) 제2 결함 유형의 개체수를 결정할 수 있다. 그런 후 성능 모니터링 모듈(103)은 샘플 웨이퍼(105)상에서 발견된 제1 결함 유형 및 제2 결함 유형에 관한 결함 개체수 데이터(108B)를 결함 분석 모듈(102)에 제공할 수 있다.
동작(1206)은 하나 이상의 스캐닝 조사 툴들로부터 수신된 샘플과 연관된 하나 이상의 신호들에 대한 하나 이상의 분류 규칙들의 적용으로부터 결정된 제1 결함 유형의 개체수와 제2 결함 유형의 개체수간의 제1 상관을 계산하는 것을 도시한다. 예를 들어, 도 1에서 도시된, 결함 분석 모듈(102)은 결함 개체수 데이터(108A)를 모니터링할 수 있다. 예를 들어, 도 6과 도 7에서 도시된 바와 같이, 샘플 웨이퍼(105)상에서 발견된 제1 결함 유형(예컨대, 결함-1)에 대한 결함 개체수와 샘플 웨이퍼(105)상에서 발견된 제2 결함 유형(예컨대, 결함-2)에 대한 결함 개체수를 나타내는 결함 개체수 데이터(108A)가 샘플 웨이퍼(105)의 제조의 완료에 대응하는 시간에 따라 도식화될 수 있으며, 이로써, 제1 결함 유형(예컨대, 결함-1)에 대한 결함 개체수와 제2 결함 유형(예컨대, 결함-2)에 대한 결함 개체수의 모니터링을 가능하게 할 수 있다. 제1 결함 유형과 제2 결함 유형간의 상관(예컨대, 비율)은 결함 개체수 데이터(108A)로부터 계산될 수 있다.
동작(1208)은 하나 이상의 고해상 조사 툴들을 이용하여 결정된 제1 결함 유형의 개체수와 제2 결함 유형의 개체수간의 제2 상관을 계산하는 것을 도시한다. 예를 들어, 도 1에서 도시된, 결함 분석 모듈(102)은 결함 개체수 데이터(108B)를 모니터링할 수 있다. 예를 들어, 도 8과 도 9에서 도시된 바와 같이, 샘플 웨이퍼(105)상에서 발견된 제1 결함 유형(예컨대, 결함-1)에 대한 결함 개체수와 샘플 웨이퍼(105)상에서 발견된 제2 결함 유형(예컨대, 결함-2)에 대한 결함 개체수를 나타내는 결함 개체수 데이터(108A)가 샘플 웨이퍼(105)의 제조의 완료에 대응하는 시간에 따라 도식화될 수 있으며, 이로써, 제1 결함 유형(예컨대, 결함-1)에 대한 결함 개체수와 제2 결함 유형(예컨대, 결함-2)에 대한 결함 개체수의 모니터링을 가능하게 할 수 있다. 제1 결함 유형과 제2 결함 유형간의 상관(예컨대, 비율)은 결함 개체수 데이터(108B)로부터 계산될 수 있다.
그런 후 결함 분석 모듈(102)은 제1 결함 유형과 제2 결함 유형간의 구별로 조사 모듈(101)과 성능 모니터링 모듈(103)의 상대적인 성능들간의 상관을 결정할 수 있다.
동작(1210)은 제1 상관과 제2 상관간의 상관을 계산하는 것을 도시한다. 예를 들어, 조사 모듈(101)과 성능 모니터링 모듈(103)의 상대적인 성능은 결함 개체수 데이터(108A)와 결함 개체수 데이터(108B)내의 제1 및 제2 결함 유형들간의 혼합 정도에 의해 각각 측정될 수 있다.
예를 들어, 상술한 바와 같이, 도 6은 조사 모듈(101)에 의해 결정된 샘플 웨이퍼(105)에서의 결함-1의 개체수를 도시한다. 도 7은 조사 모듈(101)에 의해 결정된 샘플 웨이퍼(105)에서의 결함-2의 개체수를 도시한다. 도 8은 조사 모듈(101)에 의해 결정된 결함-1의 개체수를 도시한다. 도 9는 성능 모니터링 모듈(103)에 의해 결정된 샘플 웨이퍼(105)에서의 결함-2의 개체수를 도시한다.
도 6 내지 도 9에서 살펴볼 수 있는 바와 같이, 상관(예컨대, 조사 모듈(101)에 의해 결정된 결함-1 대 결함-2의 비율과 성능 모니터링 모듈(103)에 의해 결정된 결함-1 대 결함-2의 비율간의 관계)이 계산될 수 있다. 상관은, 조사 모듈(101)에 의해 결정된 결함-1 대 결함-2의 비율은 성능 모니터링 모듈(103)에 의해 결정된 결함-1 대 결함-2의 비율보다 일반적으로 높다는 것을 보여줄 수 있다. 이와 같은 상관은 조사 모듈(101)에 의한 결함-1의 개체수내로의 결함-2의 몇몇 인스턴스들의 혼합을 나타낼 수 있다. 이와 같은 혼합은 결함 분류를 지배하는 분류 규칙들이 결함-1에 대해 너무 민감할 수 있거나 또는 결함-2에 대해 충분히 민감하지 않을 수 있다는 것을 나타낼 수 있다.
도 13은 도 10의 예시적인 동작 흐름(1000)의 대안적인 실시예들을 도시한다. 도 13은 동작 흐름(1000)이 적어도 하나의 추가적인 동작을 포함할 수 있는 예시적인 실시예들을 도시한다. 추가적인 동작들은 동작(1302)을 포함할 수 있다.
동작(1302)은 하나 이상의 광학적 조사 툴들로부터 수신된 하나 이상의 신호들에 적용될 하나 이상의 분류 규칙들을 생성하는 것을 도시한다. 예를 들어, 도 1에서 도시된 바와 같이, 분류기 모듈(101B)은 분류기 규칙 데이터베이스(101C)를 포함할 수도 있다. 분류기 규칙 데이터베이스(101C)는, 분류기 모듈(101B)이 특정한 광학적 시그너처를 정의된 결함 유형과 연관시킬 수 있도록 하기 위해, 스캐닝 조사 툴(101A)에 의해 생성된 데이터와의 비교를 위한 다양한 결함 유형들을 정하는 특성들(예컨대, 카테고리컬 속성들의 값들; 결함 속성 또는 콘텍스트 속성을 직접적으로 계산하기 위한 값 범위 사양들; 직접적 및 콘텍스트 속성들의 선형 조합; 다중 속성들의 가장 가까운 이웃 그루핑들...)을 포함할 수 있다. 분류기 규칙 데이터베이스(101C)의 결함 유형 정의들은 알려진 결함들과 연관된 스캐닝 조사 툴(101A) 데이터의 분석으로부터 생성될 수 있다.
예를 들어, 하나 이상의 결함 유형들을 갖는 하나 이상의 기준 웨이퍼들은 기준 웨이퍼에서 존재하는 다양한 결함들을 결정하기 위해 성능 모니터링 모듈(103)의 고해상 조사 툴(103A)을 이용하여 분석될 수 있다(예컨대, 기술자는 스캐닝 전자 현미경(SEM)으로 생성된 기준 웨이퍼의 이미지들을 검사할 수 있다). 고해상 조사 툴(103A)을 이용한 기준 웨이퍼들의 분석시, 각각의 기준 웨이퍼상의 다양한 결함 유형들에 대한 기준 개체수 분포가 결정될 수 있다. 기준 개체수 분포는 분류기 유지 모듈(104)에게 제공될 수 있다.
그런 후 분류기 규칙 데이터베이스(101C)에서 저장된 소정의 결함 유형 정의들의 세트를 이용하여 조사 모듈(101)에 의해 하나 이상의 기준 웨이퍼들의 조사가 수행될 수 있다. 스캐닝 조사 툴(101A)에 의해 생성된 조사 데이터는 분류기 모듈(101B)에 의해 수신될 수 있다. 분류기 모듈(101B)은 분류기 규칙 데이터베이스(101C)에서 유지된 결함 유형 정의들과 함께 스캐닝 조사 툴(101A)에 의해 생성된 조사 데이터를 상호참조하여 이러한 결함 유형 정의들에 의해 정의된 하나 이상의 결함들의 존재를 결정할 수 있다. 분류기 모듈(101B)은 하나 이상의 기준 웨이퍼들상에서 검출된 결함 유형들의 각각의 개체수들에 대응하는 결과적인 샘플 결함 분포를 생성할 수 있다. 샘플 개체수 분포는 분류기 유지 모듈(104)에게 제공될 수 있다.
분류기 유지 모듈(104)에 의해 수신된 샘플 개체수 분포와 성능 모니터링 모듈(103)에 의해 수신된 기준 개체수 분포는 각각의 분포들간의 상관을 결정하기 위해 비교될 수 있다.
도 14는 도 10의 예시적인 동작 흐름(1000)의 대안적인 실시예들을 도시한다. 도 14는 동작 흐름(1000)이 적어도 하나의 추가적인 동작을 포함할 수 있는 예시적인 실시예들을 도시한다. 추가적인 동작들은 동작(1402)을 포함할 수 있다.
동작(1402)은 하나 이상의 스캐닝 조사 툴들로부터 수신된 하나 이상의 신호들에 대한 하나 이상의 분류 규칙들의 적용으로부터 결정된 하나 이상의 샘플들에 대한 하나 이상의 결함 유형들의 개체수들과 하나 이상의 고해상 조사 툴들을 이용하여 결정된 결함 유형들의 개체수들간의 하나 이상의 상관들에 따라 하나 이상의 분류 규칙들을 수정하는 것을 도시한다. 예를 들어, 도 1에서 도시된 바와 같이, 만약 분류기 규칙 데이터베이스(101C)에 의해 유지된 현재의 결함 유형 정의들이 성능 모니터링 모듈(103)에 의해 생성된 결함 개체수 데이터(108B)와 비교하여 불안정성 또는 저하된 성능 중 적어도 하나를 나타내는 조사 모듈(101)에 의해 생성된 결함 개체수 데이터(108A)를 초래시킨다라고 결함 분석 모듈(102)에 의해 결정되면, 분류기 유지 모듈(104)은 불안정성 또는 저하된 성능을 줄이기 위해 이러한 결함 유형 정의들을 수정할 수 있다. 예를 들어, 분류기 유지 모듈(104)은 사용자로 하여금 분류기 규칙 데이터베이스(101C)에서 유지된 분류기 특성들을 수정할 수 있도록 해줄 수 있는 사용자 인터페이스(104A)(예컨대, 디스플레이, 키보드, 터치 스크린 등)를 포함할 수 있다. 수정된 이력 데이터상에서 측정된 안정성과 성능의 허용가능한 레벨에 이르도록 분류기를 조정하기 위해 반자동화 또는 완전 자동화 섭동(perturbation) 기능들을 갖는 전문적인 사용자 또는 정교한 규칙 기반 접근법들이 적용될 수 있다.
앞의 상세한 설명은 블록도, 흐름도, 및/또는 예시의 이용을 통해 디바이스 및/또는 프로세스의 다양한 실시형태를 설명하였다. 이러한 블록도, 흐름도, 및/또는 예시가 하나 이상의 기능들 및/또는 동작들을 포함하는 한, 이러한 블록도, 흐름도, 또는 예시에서의 각각의 기능 및/또는 동작은 광범위한 하드웨어, 소프트웨어, 펌웨어, 또는 이들의 가상적인 임의의 조합에 의해 개별적으로 및/또는 집합적으로 구현될 수 있다는 것을 당업자들은 이해할 것이다. 일 실시형태에서, 본 명세서에 기재된 내용의 여러 부분들은 주문형 반도체 (Application Specific Integrated Circuit; ASIC), 필드 프로그래머블 게이트 어레이 (Field programmable Gate Array; FPGA), 디지털 신호 처리기 (digital signal processor; DSP), 또는 다른 집적 포맷을 통해 구현될 수 있다. 하지만, 본 명세서에 개시된 실시형태들의 일부 양태들은, 전체적으로 또는 부분적으로, 하나 이상의 컴퓨터 상에서 실행되는 하나 이상의 컴퓨터 프로그램으로서 (예를 들어, 하나 이상의 컴퓨터 시스템 상에서 실행되는 하나 이상의 프로그램으로서), 하나 이상의 프로세서 상에서 실행되는 하나 이상의 프로그램으로서 (예를 들어, 하나 이상의 마이크로프로세서 상에서 실행되는 하나 이상의 프로그램으로서), 펌웨어로서, 또는 이들의 가상적인 임의의 조합으로서, 집적회로에서 등가적으로 구현될 수 있다는 것과, 소프트웨어 및/또는 펌웨어를 위한 회로를 설계하고 및/또는 이것을 위한 코드를 작성하는 것은 본 발명개시에 비추어 당업자의 지식 내에 있다는 것을 당업자들은 이해할 것이다. 또한, 본 명세서에 기재된 내용의 메카니즘은 프로그램 제품으로서 다양한 형태로 배포될 수 있다는 것과, 본 명세서에 기재된 내용의 예시적인 실시형태는 이러한 배포를 사실상 수행하기 위해 사용되는 신호 운반 매체의 특정 유형에 상관없이 적용된다는 것을 당업자는 알 것이다. 신호 운반 매체의 예는, 비제한적인 예시로서, 플로피 디스크, 하드 디스크 드라이브, 컴팩 디스크 (CD), 디지털 비디오 디스크 (DVD), 디지털 테이프, 컴퓨터 메모리 등과 같은 기록가능형 매체; 및 디지털 및/또는 아날로그 통신 매체와 같은 전송형 매체 (예를 들어, 광섬유 케이블, 도파관, 유선 통신 링크, 무선 통신 링크(예컨대, 송신기, 수신기, 송신 로직, 수신 로직 등) 등) 를 포함한다.
일반적인 의미에서, 하드웨어, 소프트웨어, 펌웨어, 또는 이들의 임의의 조합의 폭넓은 범위에 의해 개별적으로 및/또는 집합적으로 구현될 수 있는 여기서 설명된 다양한 양태들은 "전기 회로"로 구성되는 것으로서 바라볼 수 있다는 것을 본 발명분야의 당업자는 인식할 것이다. 결과적으로, 여기서 이용된 "전기 회로"는, 비제한적인 예시로서, 적어도 하나의 개별적인 전기 회로를 갖는 전기 회로, 적어도 하나의 집적 회로를 갖는 전기 회로, 적어도 하나의 응용 특정 집적 회로를 갖는 전기 회로, 컴퓨터 프로그램에 의해 구성된 범용 컴퓨팅 디바이스(예컨대, 적어도 부분적으로 여기서 설명된 프로세스들 및/또는 디바이스들을 수행하는 컴퓨터 프로그램에 의해 구성된 범용 컴퓨터, 또는 여기서 설명된 프로세스들 및/또는 디바이스들을 적어도 부분적으로 수행하는 컴퓨터 프로그램에 의해 구성된 마이크로프로세서)를 형성하는 전기 회로, 메모리 디바이스(예컨대, 랜덤 액세스 메모리의 형태들)를 형성하는 전기 회로, 및/또는 통신 디바이스(예컨대, 모뎀, 통신 스위치, 또는 광학 전기적 장비)를 형성하는 전기 회로를 포함한다. 본 발명분야의 당업자는 여기서 설명된 발명내용이 아날로그 또는 디지털 형식 또는 이들의 몇몇의 조합으로 구현될 수 있다는 것을 인식할 것이다.
본 명세서에 기재된 내용은 때때로 상이한 다른 컴포넌트들 내에 포함되거나 또는 상이한 다른 컴포넌트들과 연결된 상이한 컴포넌트들을 나타낸다. 이러한 도시된 아키텍처는 단지 예시일 뿐이며, 동일한 기능을 달성하는 사실상 많은 다른 아키텍처들이 구현될 수 있다는 것을 이해해야 한다. 개념적인 의미에서, 원하는 기능이 달성되도록, 동일한 기능을 달성하기 위한 컴포넌트들의 임의의 배열은 효과적으로 "연관"된다. 그러므로, 아키텍처 또는 중간 컴포넌트에 관계없이, 원하는 기능이 달성되도록, 특정 기능을 달성하기 위해 조합된 본 명세서에서의 임의의 2 개의 컴포넌트들은 서로 "연관"된 것으로 보여질 수도 있다. 마찬가지로, 그렇게 연관된 임의의 2개의 컴포넌트들은 또한 원하는 기능을 달성하기 위해 서로 "동작가능하게 접속되거나" 또는 "동작가능하게 결합되는" 것으로서 보여질 수도 있고, 그렇게 연관될 수 있는 임의의 2개의 컴포넌트들은 원하는 기능을 달성하기 위해 서로 "동작가능하게 결합되는" 것으로서 보여질 수도 있다. 동작가능하게 결합되는 구체적인 예는, 물리적으로 짝이 될 수 있고/있거나 물리적으로 상호작용하는 컴포넌트들 및/또는 무선으로 상호작용할 수 있고/있거나 무선으로 상호작용하는 컴포넌트들 및/또는 논리적으로 상호작용하고/하거나 논리적으로 상호작용할 수 있는 컴포넌트들을 포함하지만 이것으로 한정되지 않는다.
몇몇 경우들에서, 하나 이상의 컴포넌트들은 여기서 "구성하도록", "구성가능하도록", "동작가능하도록/동작하도록", "적응하도록/적응가능하도록", "할 수 있도록", "컨포멀가능하도록/컨포멀하도록" 등으로서 칭해질 수 있다. 본 발명분야의 당업자는, "구성가능하도록"은 문맥에서 이와 다른 것을 요구하지 않는 한, 일반적으로 활성 상태 컴포넌트들 및/또는 비활성 상태 컴포넌트들 및/또는 대기 상태 컴포넌트들을 망라할 수 있다는 것을 인식할 것이다.
여기서 설명된 본 발명내용의 특별한 양태들이 도시되고 설명되어 왔지만, 여기서의 가르침들에 기초하여, 변경들 및 변형들이 여기서 설명된 발명내용과 보다 넓은 양태들로부터 벗어나지 않고서 행해질 수 있다는 것과, 이에 따라 첨부된 청구항들은 여기서 설명된 발명내용의 진정한 사상과 범위내에 있는 이와 같은 모든 변경들 및 변형들을 각자의 범위내에서 포함할 것이라는 것은 본 발명분야의 당업자에게는 자명할 것이다.
일반적으로, 본 명세서에서 그리고 특히 첨부된 청구항들 (예를 들어, 첨부된 청구항들의 본문) 에서 사용되는 용어는 일반적으로 "개방적인" 용어들 (예를 들어, "포함하는" 이라는 용어는 "포함하지만 한정되지 않는" 으로 해석되어야 하고, "갖는" 이라는 용어는 "적어도 갖는" 으로 해석되어야 하고, "포함한다" 라는 용어는 "포함하지만 한정되지 않는다" 로 해석되어야 한다) 로서 의도된다는 것이 당업자에 의해 이해될 것이다. 또한, 도입된 청구항 기재의 구체적 숫자가 의도되는 경우, 이러한 의도는 청구항에 명시적으로 기재될 것이며, 이러한 기재의 부재 시에는 그러한 의도가 없다는 것이 당업자에 의해 이해될 것이다. 예를 들어, 이해를 돕기 위하여, 다음의 첨부된 청구항들은 청구항 기재를 도입하기 위해 "적어도 하나" 및 "하나 이상" 의 서두 어구의 사용을 포함할 수도 있다. 그러나, 이러한 어구의 사용은, 동일 청구항이 서두 어구 "하나 이상" 또는 "적어도 하나" 및 "a" 또는 "an" 과 같은 부정관사 (예를 들어, "a" 및/또는 "an" 은 "적어도 하나" 또는 "하나 이상" 을 의미하도록 해석되어야 한다) 를 포함할 때에도, 부정관사 "a" 또는 "an" 에 의한 청구항 기재의 도입이 이렇게 도입된 청구항 기재를 포함하는 임의의 특정 청구항을 하나의 이러한 기재만을 포함하는 청구항들로 한정한다는 것을 내포하는 것으로 해석되어서는 안되며; 청구항 기재를 도입하는 데 사용되는 정관사의 사용에 대해서도 동일하게 유효하다. 또한, 도입되는 청구항 기재의 구체적 수가 명시적으로 기재되는 경우에도, 당업자는 이러한 기재가 통상적으로 적어도 기재된 수 (예를 들어, 다른 수식어 없이, "2 개의 기재" 에 대한 그대로의 기재는, 적어도 2 개의 기재들 또는 2 개 이상의 기재들을 의미한다) 를 의미하는 것으로 해석되어야 한다는 것을 인식할 것이다. 또한, "A, B 및 C 중 적어도 하나 등" 과 유사한 관례가 사용되는 경우에서, 일반적으로 이러한 구성은 당업자가 그 관례를 이해할 것이라는 의미로 의도된다 (예를 들어, "A, B 및 C 중 적어도 하나를 갖는 시스템" 은 A 만을, B 만을, C 만을, A 와 B 를 함께, A 와 C 를 함께, B 와 C 를 함께, 및/또는 A, B 및 C 를 함께 등을 갖는 시스템을 포함하지만 이에 한정되지 않을 것이다). "A, B 또는 C 등 중 적어도 하나" 와 유사한 관례가 사용되는 경우에서, 일반적으로 이러한 구성은 당업자가 그 관례를 이해할 것이라는 의미로 의도된다 (예를 들어, "A, B 또는 C 중 적어도 하나를 갖는 시스템" 은 A 만을, B 만을, C 만을, A 및 B 를 함께, A 및 C 를 함께, B 및 C 를 함께, 및/또는 A, B 및 C 를 함께 갖는 시스템 등을 포함하지만 이에 한정되지 않을 것이다). 또한, 상세한 설명, 청구항들 또는 도면들에서, 2 개 이상의 택일적 용어를 제시하는 이접 단어 및/또는 어구는 일반적으로 용어들 중 하나, 용어들 중 어느 한쪽 또는 양 용어 모두를 포함할 가능성들을 고려하도록 이해되어야 한다는 것이 당업자에 의해 이해될 것이다. 예를 들어, 어구 "A 또는 B" 는 일반적으로 "A" 또는 "B" 또는 "A 및 B" 의 가능성을 포함하도록 이해될 것이다.
첨부된 청구항들과 관련하여, 본 발명분야의 당업자는 청구항에서 인용된 동작들은 일반적으로 임의의 순서로 수행될 수 있다는 것을 알 것이다. 또한, 다양한 동작 흐름들이 시퀀스(들)에서 제시되지만, 다양한 동작들은 도시된 것과 다른 순서들로 수행될 수 있거나, 또는 동시적으로 수행될 수 있다는 것을 이해해야 한다. 이와 같은 대안적인 순서화들의 예시들은 문맥에서 이와 달리 지시하지 않는 한, 중첩, 인터리빙, 인터럽트, 재배열, 증분, 준비적, 보충적, 동시적, 반전, 또는 이와 다른 변종적 순서화를 포함할 수 있다. 문맥에 대해서, 심지어 "에 응답하는", "에 관한"과 같은 용어들은, 또는 다른 과거시제 형용사들은 일반적으로 문맥에서 이와 달리 지시되지 않는 한, 이와 같은 변형들을 배제하는 것으로 의도되지는 않는다.
청구항들에서는 특정한 청구항 번호 인용들이 확인되어왔지만, 청구항의 특징들의 모든 가능한 조합들이 본 출원명세서에서 구상되며, 이에 따라 청구항들은 모든 가능한 다중 청구항 번호 인용들을 포함하는 것으로 해석되어야 한다는 것을 유념해 두어야 한다. 본 발명개시 및 본 발명개시의 수 많은 부수적인 장점들이 전술한 설명에 의해 이해될 것으로 믿어지며, 다양한 변경들이 개시된 발명내용으로부터 벗어나지 않거나 또는 발명내용의 모든 물질 장점들을 희생시키지 않는 컴포넌트들의 형태, 구성, 및 배열로 행해질 수 있다는 것은 자명할 것이다. 설명된 형태는 단지 예시에 불과하며, 아래의 청구항들은 이와 같은 변경들을 망라하고 포함하는 것으로 의도되었다.
Claims (21)
- 시변(time-varying) 결함 분류 성능을 모니터링하기 위한 방법에 있어서,
하나 이상의 스캐닝 조사 툴들로부터 하나 이상의 샘플들의 하나 이상의 특성들을 나타내는 하나 이상의 신호들을 수신하는 단계;
상기 하나 이상의 스캐닝 조사 툴들로부터 수신된 상기 하나 이상의 신호들에 대한 하나 이상의 분류 규칙들의 적용에 따라 상기 하나 이상의 샘플들에 대한 하나 이상의 결함 유형들의 개체수(population)들을 결정하는 단계;
하나 이상의 고해상 조사 툴들을 이용하여 상기 하나 이상의 샘플들에 대한 상기 하나 이상의 결함 유형들의 개체수들을 결정하는 단계; 및
상기 하나 이상의 스캐닝 조사 툴들로부터 수신된 하나 이상의 신호들에 적용된 하나 이상의 분류 규칙들의 적용으로부터 결정된 하나 이상의 샘플들에 대한 하나 이상의 결함 유형들의 개체수들과 상기 하나 이상의 고해상 조사 툴들을 이용하여 결정된 상기 하나 이상의 샘플들에 대한 상기 하나 이상의 결함 유형들의 개체수들간의 하나 이상의 상관(correlation)들을 계산하는 단계
를 포함하는, 시변 결함 분류 성능을 모니터링하기 위한 방법. - 제1항에 있어서, 상기 하나 이상의 스캐닝 조사 툴들은, 명시야(bright field) 패턴화형 웨이퍼 조사기; 패턴화형 암시야(dark field) 포톤 광학 웨이퍼 조사기; 비패턴화형 암시야 포톤 광학 웨이퍼 조사기; 및 전자 빔 광학 영역 스캐닝 조사기 중 적어도 하나로부터 선택되는 것인, 시변 결함 분류 성능을 모니터링하기 위한 방법.
- 제1항에 있어서, 상기 분류 특성들은, 크기, 형상, 극성, 텍스쳐(texture), 콘트라스트, 백그라운드 비지니스(background business) 중 적어도 하나로부터 선택되는 것인, 시변 결함 분류 성능을 모니터링하기 위한 방법.
- 제1항에 있어서, 상기 하나 이상의 고해상 조사 툴들은, 스캐닝 전자 현미경; 원자력 현미경; 공초점 현미경 중 적어도 하나로부터 선택되는 것인, 시변 결함 분류 성능을 모니터링하기 위한 방법.
- 제1항에 있어서,
상기 하나 이상의 스캐닝 조사 툴들로부터 수신된 상기 하나 이상의 신호들에 대한 하나 이상의 분류 규칙들의 적용에 따라 상기 하나 이상의 샘플들에 대한 하나 이상의 결함 유형들의 개체수들을 결정하는 단계는,
상기 하나 이상의 스캐닝 조사 툴들로부터 수신된 상기 하나 이상의 신호들에 대한 하나 이상의 분류 규칙들의 적용에 따라 적어도 제1 샘플과 제2 샘플에 대한 하나 이상의 결함 유형들의 개체수들을 결정하는 단계를 포함하고;
상기 하나 이상의 고해상 조사 툴들을 이용하여 상기 하나 이상의 샘플들에 대한 상기 하나 이상의 결함 유형들의 개체수들을 결정하는 단계는,
상기 하나 이상의 고해상 조사 툴들을 이용하여 적어도 상기 제1 샘플과 상기 제2 샘플에 대한 하나 이상의 결함 유형들의 개체수들을 결정하는 단계를 포함하며;
상기 하나 이상의 스캐닝 조사 툴들로부터 수신된 하나 이상의 신호들에 적용된 하나 이상의 분류 규칙들의 적용으로부터 결정된 하나 이상의 샘플들에 대한 하나 이상의 결함 유형들의 개체수들과 상기 하나 이상의 고해상 조사 툴들을 이용하여 결정된 상기 하나 이상의 샘플들에 대한 상기 하나 이상의 결함 유형들의 개체수들간의 하나 이상의 상관들을 계산하는 단계는,
상기 하나 이상의 광학적 조사 툴들로부터 수신된 하나 이상의 신호들에 대한 하나 이상의 분류 규칙들의 적용으로부터 결정된 하나 이상의 결함 유형들의 개체수들과 상기 하나 이상의 고해상 조사 툴들의 이용을 통해 결정된 하나 이상의 결함 유형들의 개체수들의 적어도 상기 제1 샘플과 상기 제2 샘플간의 상대적인 안정성을 계산하는 단계를 포함하는 것인, 시변 결함 분류 성능을 모니터링하기 위한 방법. - 제1항에 있어서,
상기 하나 이상의 스캐닝 조사 툴들로부터 수신된 상기 하나 이상의 신호들에 대한 하나 이상의 분류 규칙들의 적용에 따라 상기 하나 이상의 샘플들에 대한 하나 이상의 결함 유형들의 개체수들을 결정하는 단계는,
상기 하나 이상의 스캐닝 조사 툴들로부터 수신된 상기 하나 이상의 신호들에 대한 하나 이상의 분류 규칙들의 적용에 따라 샘플에 대한 적어도 제1 결함 유형과 제2 결함 유형의 개체수를 결정하는 단계를 포함하며;
상기 하나 이상의 고해상 조사 툴들을 이용하여 상기 하나 이상의 샘플들에 대한 상기 하나 이상의 결함 유형들의 개체수들을 결정하는 단계는,
상기 하나 이상의 고해상 조사 툴들을 이용하는 것에 따라 샘플에 대한 적어도 제1 결함 유형과 제2 결함 유형의 개체수를 결정하는 단계를 포함하며;
상기 하나 이상의 스캐닝 조사 툴들로부터 수신된 하나 이상의 신호들에 적용된 하나 이상의 분류 규칙들의 적용으로부터 결정된 하나 이상의 샘플들에 대한 하나 이상의 결함 유형들의 개체수들과 상기 하나 이상의 고해상 조사 툴들을 이용하여 결정된 상기 하나 이상의 샘플들에 대한 상기 하나 이상의 결함 유형들의 개체수들간의 하나 이상의 상관들을 계산하는 단계는,
상기 하나 이상의 스캐닝 조사 툴들로부터 수신된 상기 샘플과 연관된 하나 이상의 신호들에 대한 하나 이상의 분류 규칙들의 적용으로부터 결정된 상기 제1 결함 유형의 개체수와 상기 제2 결함 유형의 개체수간의 제1 상관을 계산하는 단계와;
상기 하나 이상의 고해상 조사 툴들을 이용하여 결정된 상기 제1 결함 유형의 개체수와 상기 제2 결함 유형의 개체수간의 제2 상관을 계산하는 단계와;
상기 제1 상관과 상기 제2 상관간의 상관을 계산하는 단계를 포함하는 것인, 시변 결함 분류 성능을 모니터링하기 위한 방법. - 제1항에 있어서,
상기 하나 이상의 광학적 조사 툴들로부터 수신된 하나 이상의 신호들에 적용될 하나 이상의 분류 규칙들을 생성하는 단계
를 더 포함하는, 시변 결함 분류 성능을 모니터링하기 위한 방법. - 제1항에 있어서,
상기 하나 이상의 스캐닝 조사 툴들로부터 수신된 하나 이상의 신호들에 대한 하나 이상의 분류 규칙들의 적용으로부터 결정된 상기 하나 이상의 샘플들에 대한 하나 이상의 결함 유형들의 개체수들과 상기 하나 이상의 고해상 조사 툴들을 이용하여 결정된 결함 유형들의 개체수들간의 상기 하나 이상의 상관들에 따라 하나 이상의 분류 규칙들을 수정하는 단계
를 더 포함하는, 시변 결함 분류 성능을 모니터링하기 위한 방법. - 시변(time-varying) 결함 분류 성능을 모니터링하기 위한 시스템에 있어서,
하나 이상의 스캐닝 조사 툴들로부터 하나 이상의 샘플들의 하나 이상의 특성들을 나타내는 하나 이상의 신호들을 수신하기 위한 수단;
상기 하나 이상의 스캐닝 조사 툴들로부터 수신된 상기 하나 이상의 신호들에 대한 하나 이상의 분류 규칙들의 적용에 따라 상기 하나 이상의 샘플들에 대한 하나 이상의 결함 유형들의 개체수(population)들을 결정하기 위한 수단;
하나 이상의 고해상 조사 툴들을 이용하여 상기 하나 이상의 샘플들에 대한 상기 하나 이상의 결함 유형들의 개체수들을 결정하기 위한 수단; 및
상기 하나 이상의 스캐닝 조사 툴들로부터 수신된 하나 이상의 신호들에 적용된 하나 이상의 분류 규칙들의 적용으로부터 결정된 하나 이상의 샘플들에 대한 하나 이상의 결함 유형들의 개체수들과 상기 하나 이상의 고해상 조사 툴들을 이용하여 결정된 상기 하나 이상의 샘플들에 대한 상기 하나 이상의 결함 유형들의 개체수들간의 하나 이상의 상관(correlation)들을 계산하기 위한 수단을 포함하는, 시변 결함 분류 성능을 모니터링하기 위한 시스템. - 제9항에 있어서, 상기 하나 이상의 스캐닝 조사 툴들은, 명시야(bright field) 패턴화형 웨이퍼 조사기; 패턴화형 암시야(dark field) 포톤 광학 웨이퍼 조사기; 비패턴화형 암시야 포톤 광학 웨이퍼 조사기; 및 전자 빔 광학 영역 스캐닝 조사기 중 적어도 하나로부터 선택되는 것인, 시변 결함 분류 성능을 모니터링하기 위한 시스템.
- 제9항에 있어서, 상기 분류 특성들은, 크기, 형상, 극성, 텍스쳐(texture), 콘트라스트, 백그라운드 비지니스(background business) 중 적어도 하나로부터 선택되는 것인, 시변 결함 분류 성능을 모니터링하기 위한 시스템.
- 제9항에 있어서, 상기 하나 이상의 고해상 조사 툴들은, 스캐닝 전자 현미경; 원자력 현미경; 공초점 현미경 중 적어도 하나로부터 선택되는 것인, 시변 결함 분류 성능을 모니터링하기 위한 시스템.
- 제9항에 있어서,
상기 하나 이상의 스캐닝 조사 툴들로부터 수신된 상기 하나 이상의 신호들에 대한 하나 이상의 분류 규칙들의 적용에 따라 상기 하나 이상의 샘플들에 대한 하나 이상의 결함 유형들의 개체수들을 결정하기 위한 수단은,
상기 하나 이상의 스캐닝 조사 툴들로부터 수신된 상기 하나 이상의 신호들에 대한 하나 이상의 분류 규칙들의 적용에 따라 적어도 제1 샘플과 제2 샘플에 대한 하나 이상의 결함 유형들의 개체수들을 결정하기 위한 것을 포함하고;
상기 하나 이상의 고해상 조사 툴들을 이용하여 상기 하나 이상의 샘플들에 대한 상기 하나 이상의 결함 유형들의 개체수들을 결정하기 위한 수단은,
상기 하나 이상의 고해상 조사 툴들을 이용하여 적어도 상기 제1 샘플과 상기 제2 샘플에 대한 하나 이상의 결함 유형들의 개체수들을 결정하기 위한 수단을 포함하며;
상기 하나 이상의 스캐닝 조사 툴들로부터 수신된 하나 이상의 신호들에 적용된 하나 이상의 분류 규칙들의 적용으로부터 결정된 하나 이상의 샘플들에 대한 하나 이상의 결함 유형들의 개체수들과 상기 하나 이상의 고해상 조사 툴들을 이용하여 결정된 상기 하나 이상의 샘플들에 대한 상기 하나 이상의 결함 유형들의 개체수들간의 하나 이상의 상관들을 계산하기 위한 수단은,
상기 하나 이상의 광학적 조사 툴들로부터 수신된 하나 이상의 신호들에 대한 하나 이상의 분류 규칙들의 적용으로부터 결정된 하나 이상의 결함 유형들의 개체수들과 상기 하나 이상의 고해상 조사 툴들의 이용을 통해 결정된 하나 이상의 결함 유형들의 개체수들의 적어도 상기 제1 샘플과 상기 제2 샘플간의 상대적인 안정성을 계산하기 위한 수단을 포함하는 것인, 시변 결함 분류 성능을 모니터링하기 위한 시스템. - 제9항에 있어서,
상기 하나 이상의 스캐닝 조사 툴들로부터 수신된 상기 하나 이상의 신호들에 대한 하나 이상의 분류 규칙들의 적용에 따라 상기 하나 이상의 샘플들에 대한 하나 이상의 결함 유형들의 개체수들을 결정하기 위한 수단은,
상기 하나 이상의 고해상 조사 툴들을 이용하는 것에 따라 샘플에 대한 적어도 제1 결함 유형과 제2 결함 유형의 개체수를 결정하기 위한 수단을 포함하며;
상기 하나 이상의 고해상 조사 툴들을 이용하여 상기 하나 이상의 샘플들에 대한 상기 하나 이상의 결함 유형들의 개체수들을 결정하기 위한 수단은,
상기 하나 이상의 고해상 조사 툴들을 이용하는 것에 따라 샘플에 대한 적어도 제1 결함 유형과 제2 결함 유형의 개체수를 결정하기 위한 것을 포함하며;
상기 하나 이상의 스캐닝 조사 툴들로부터 수신된 하나 이상의 신호들에 적용된 하나 이상의 분류 규칙들의 적용으로부터 결정된 하나 이상의 샘플들에 대한 하나 이상의 결함 유형들의 개체수들과 상기 하나 이상의 고해상 조사 툴들을 이용하여 결정된 상기 하나 이상의 샘플들에 대한 상기 하나 이상의 결함 유형들의 개체수들간의 하나 이상의 상관들을 계산하기 위한 수단은,
상기 하나 이상의 스캐닝 조사 툴들로부터 수신된 상기 샘플과 연관된 하나 이상의 신호들에 대한 하나 이상의 분류 규칙들의 적용으로부터 결정된 상기 제1 결함 유형의 개체수와 상기 제2 결함 유형의 개체수간의 제1 상관을 계산하기 위한 수단과;
상기 하나 이상의 고해상 조사 툴들을 이용하여 결정된 상기 제1 결함 유형의 개체수와 상기 제2 결함 유형의 개체수간의 제2 상관을 계산하기 위한 수단과;
상기 제1 상관과 상기 제2 상관간의 상관을 계산하기 위한 수단을 포함하는 것인, 시변 결함 분류 성능을 모니터링하기 위한 시스템. - 제9항에 있어서,
상기 하나 이상의 광학적 조사 툴들로부터 수신된 하나 이상의 신호들에 적용될 하나 이상의 분류 규칙들을 생성하기 위한 수단
을 더 포함하는, 시변 결함 분류 성능을 모니터링하기 위한 시스템. - 제9항에 있어서,
상기 하나 이상의 스캐닝 조사 툴들로부터 수신된 하나 이상의 신호들에 대한 하나 이상의 분류 규칙들의 적용으로부터 결정된 상기 하나 이상의 샘플들에 대한 하나 이상의 결함 유형들의 개체수들과 상기 하나 이상의 고해상 조사 툴들을 이용하여 결정된 결함 유형들의 개체수들간의 상기 하나 이상의 상관들에 따라 하나 이상의 분류 규칙들을 수정하기 위한 수단
을 더 포함하는, 시변 결함 분류 성능을 모니터링하기 위한 시스템. - 컴퓨팅 디바이스상에서 프로세스의 실행을 위한 컴퓨터 판독가능한 명령들을 포함한 컴퓨터 판독가능한 매체에 있어서, 상기 프로세스는,
하나 이상의 스캐닝 조사 툴들로부터 하나 이상의 샘플들의 하나 이상의 특성들을 나타내는 하나 이상의 신호들을 수신하는 단계;
상기 하나 이상의 스캐닝 조사 툴들로부터 수신된 상기 하나 이상의 신호들에 대한 하나 이상의 분류 규칙들의 적용에 따라 상기 하나 이상의 샘플들에 대한 하나 이상의 결함 유형들의 개체수(population)들을 결정하는 단계;
하나 이상의 고해상 조사 툴들을 이용하여 상기 하나 이상의 샘플들에 대한 상기 하나 이상의 결함 유형들의 개체수들을 결정하는 단계; 및
상기 하나 이상의 스캐닝 조사 툴들로부터 수신된 하나 이상의 신호들에 적용된 하나 이상의 분류 규칙들의 적용으로부터 결정된 하나 이상의 샘플들에 대한 하나 이상의 결함 유형들의 개체수들과 상기 하나 이상의 고해상 조사 툴들을 이용하여 결정된 상기 하나 이상의 샘플들에 대한 상기 하나 이상의 결함 유형들의 개체수들간의 하나 이상의 상관(correlation)들을 계산하는 단계
를 포함하는, 컴퓨터 판독가능한 매체. - 제17항에 있어서,
상기 하나 이상의 스캐닝 조사 툴들로부터 수신된 상기 하나 이상의 신호들에 대한 하나 이상의 분류 규칙들의 적용에 따라 상기 하나 이상의 샘플들에 대한 하나 이상의 결함 유형들의 개체수들을 결정하기 위한 수단은,
상기 하나 이상의 스캐닝 조사 툴들로부터 수신된 상기 하나 이상의 신호들에 대한 하나 이상의 분류 규칙들의 적용에 따라 적어도 제1 샘플과 제2 샘플에 대한 하나 이상의 결함 유형들의 개체수들을 결정하는 단계를 포함하고;
상기 하나 이상의 고해상 조사 툴들을 이용하여 상기 하나 이상의 샘플들에 대한 상기 하나 이상의 결함 유형들의 개체수들을 결정하기 위한 수단은,
상기 하나 이상의 고해상 조사 툴들을 이용하여 적어도 상기 제1 샘플과 상기 제2 샘플에 대한 하나 이상의 결함 유형들의 개체수들을 결정하기 위한 수단을 포함하며;
상기 하나 이상의 스캐닝 조사 툴들로부터 수신된 하나 이상의 신호들에 적용된 하나 이상의 분류 규칙들의 적용으로부터 결정된 하나 이상의 샘플들에 대한 하나 이상의 결함 유형들의 개체수들과 상기 하나 이상의 고해상 조사 툴들을 이용하여 결정된 상기 하나 이상의 샘플들에 대한 상기 하나 이상의 결함 유형들의 개체수들간의 하나 이상의 상관들을 계산하기 위한 수단은,
상기 하나 이상의 광학적 조사 툴들로부터 수신된 하나 이상의 신호들에 대한 하나 이상의 분류 규칙들의 적용으로부터 결정된 하나 이상의 결함 유형들의 개체수들과 상기 하나 이상의 고해상 조사 툴들의 이용을 통해 결정된 하나 이상의 결함 유형들의 개체수들의 적어도 상기 제1 샘플과 상기 제2 샘플간의 상대적인 안정성을 계산하기 위한 수단을 포함하는 것인, 컴퓨터 판독가능한 매체. - 제17항에 있어서,
상기 하나 이상의 스캐닝 조사 툴들로부터 수신된 상기 하나 이상의 신호들에 대한 하나 이상의 분류 규칙들의 적용에 따라 상기 하나 이상의 샘플들에 대한 하나 이상의 결함 유형들의 개체수들을 결정하기 위한 수단은,
상기 하나 이상의 고해상 조사 툴들을 이용하는 것에 따라 샘플에 대한 적어도 제1 결함 유형과 제2 결함 유형의 개체수를 결정하기 위한 수단을 포함하고;
상기 하나 이상의 고해상 조사 툴들을 이용하여 상기 하나 이상의 샘플들에 대한 상기 하나 이상의 결함 유형들의 개체수들을 결정하기 위한 수단은,
상기 하나 이상의 고해상 조사 툴들을 이용하는 것에 따라 샘플에 대한 적어도 제1 결함 유형과 제2 결함 유형의 개체수를 결정하는 것을 포함하며;
상기 하나 이상의 스캐닝 조사 툴들로부터 수신된 하나 이상의 신호들에 적용된 하나 이상의 분류 규칙들의 적용으로부터 결정된 하나 이상의 샘플들에 대한 하나 이상의 결함 유형들의 개체수들과 상기 하나 이상의 고해상 조사 툴들을 이용하여 결정된 상기 하나 이상의 샘플들에 대한 상기 하나 이상의 결함 유형들의 개체수들간의 하나 이상의 상관들을 계산하기 위한 수단은,
상기 하나 이상의 스캐닝 조사 툴들로부터 수신된 상기 샘플과 연관된 하나 이상의 신호들에 대한 하나 이상의 분류 규칙들의 적용으로부터 결정된 상기 제1 결함 유형의 개체수와 상기 제2 결함 유형의 개체수간의 제1 상관을 계산하기 위한 수단;
상기 하나 이상의 고해상 조사 툴들을 이용하여 결정된 상기 제1 결함 유형의 개체수와 상기 제2 결함 유형의 개체수간의 제2 상관을 계산하기 위한 수단; 및
상기 제1 상관과 상기 제2 상관간의 상관을 계산하기 위한 수단을 포함하는 것인, 시스템. - 제17항에 있어서,
상기 하나 이상의 광학적 조사 툴들로부터 수신된 하나 이상의 신호들에 적용될 하나 이상의 분류 규칙들을 생성하기 위한 수단
를 더 포함하는, 시스템. - 제17항에 있어서,
상기 하나 이상의 스캐닝 조사 툴들로부터 수신된 하나 이상의 신호들에 대한 하나 이상의 분류 규칙들의 적용으로부터 결정된 상기 하나 이상의 샘플들에 대한 하나 이상의 결함 유형들의 개체수들과 상기 하나 이상의 고해상 조사 툴들을 이용하여 결정된 결함 유형들의 개체수들간의 하나 이상의 상관들에 따라 하나 이상의 분류 규칙들을 수정하기 위한 수단
을 더 포함하는, 시스템.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US22238809P | 2009-07-01 | 2009-07-01 | |
| US61/222,388 | 2009-07-01 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20120093820A true KR20120093820A (ko) | 2012-08-23 |
Family
ID=43411380
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020127002877A KR20120093820A (ko) | 2009-07-01 | 2010-06-23 | 시변 결함 분류 성능의 모니터링 |
Country Status (7)
| Country | Link |
|---|---|
| US (1) | US8537349B2 (ko) |
| EP (1) | EP2449390A1 (ko) |
| JP (1) | JP5583766B2 (ko) |
| KR (1) | KR20120093820A (ko) |
| CN (1) | CN102576045A (ko) |
| TW (1) | TWI435072B (ko) |
| WO (1) | WO2011002651A1 (ko) |
Families Citing this family (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8607169B2 (en) * | 2011-12-28 | 2013-12-10 | Elitetech Technology Co., Ltd. | Intelligent defect diagnosis method |
| US9317912B2 (en) | 2011-12-28 | 2016-04-19 | Sunedison Semiconductor Limited | Symmetry based air pocket detection methods and systems |
| US9916653B2 (en) * | 2012-06-27 | 2018-03-13 | Kla-Tenor Corporation | Detection of defects embedded in noise for inspection in semiconductor manufacturing |
| JP5910428B2 (ja) | 2012-09-13 | 2016-04-27 | オムロン株式会社 | 監視装置、監視方法、プログラムおよび記録媒体 |
| US9865512B2 (en) | 2013-04-08 | 2018-01-09 | Kla-Tencor Corp. | Dynamic design attributes for wafer inspection |
| CN106842001B (zh) * | 2013-04-24 | 2019-09-24 | 泰科英赛科技有限公司 | 采用聚焦离子束的电路跟踪 |
| US9430824B2 (en) | 2013-05-14 | 2016-08-30 | Kla-Tencor Corporation | Machine learning method and apparatus for inspecting reticles |
| US9910429B2 (en) * | 2013-09-03 | 2018-03-06 | The Procter & Gamble Company | Systems and methods for adjusting target manufacturing parameters on an absorbent product converting line |
| US10514685B2 (en) * | 2014-06-13 | 2019-12-24 | KLA—Tencor Corp. | Automatic recipe stability monitoring and reporting |
| CN104122272B (zh) * | 2014-08-01 | 2019-08-06 | 上海华力微电子有限公司 | 半导体器件缺陷的光学检测方法 |
| US9835566B2 (en) * | 2015-03-03 | 2017-12-05 | Kla-Tencor Corp. | Adaptive nuisance filter |
| US10216096B2 (en) * | 2015-08-14 | 2019-02-26 | Kla-Tencor Corporation | Process-sensitive metrology systems and methods |
| TWI637250B (zh) * | 2017-03-31 | 2018-10-01 | 林器弘 | 智慧加工調變系統及方法 |
| US10402963B2 (en) * | 2017-08-24 | 2019-09-03 | Kla-Tencor Corporation | Defect detection on transparent or translucent wafers |
| CN110945563A (zh) * | 2019-11-08 | 2020-03-31 | 长江存储科技有限责任公司 | 用于提高产出率的自动评估方法及其评估系统 |
Family Cites Families (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6288780B1 (en) * | 1995-06-06 | 2001-09-11 | Kla-Tencor Technologies Corp. | High throughput brightfield/darkfield wafer inspection system using advanced optical techniques |
| US5539752A (en) * | 1995-06-30 | 1996-07-23 | Advanced Micro Devices, Inc. | Method and system for automated analysis of semiconductor defect data |
| US6104835A (en) | 1997-11-14 | 2000-08-15 | Kla-Tencor Corporation | Automatic knowledge database generation for classifying objects and systems therefor |
| JP4077951B2 (ja) | 1998-01-14 | 2008-04-23 | 株式会社ルネサステクノロジ | 欠陥解析方法、記録媒体及び工程管理方法 |
| US6408219B2 (en) | 1998-05-11 | 2002-06-18 | Applied Materials, Inc. | FAB yield enhancement system |
| US6265232B1 (en) | 1998-08-21 | 2001-07-24 | Micron Technology, Inc. | Yield based, in-line defect sampling method |
| US6185707B1 (en) * | 1998-11-13 | 2001-02-06 | Knights Technology, Inc. | IC test software system for mapping logical functional test data of logic integrated circuits to physical representation |
| US6407373B1 (en) * | 1999-06-15 | 2002-06-18 | Applied Materials, Inc. | Apparatus and method for reviewing defects on an object |
| US6675134B2 (en) | 2001-03-15 | 2004-01-06 | Cerebrus Solutions Ltd. | Performance assessment of data classifiers |
| US7359544B2 (en) | 2003-02-12 | 2008-04-15 | Kla-Tencor Technologies Corporation | Automatic supervised classifier setup tool for semiconductor defects |
| JP4443270B2 (ja) * | 2003-03-12 | 2010-03-31 | 株式会社日立ハイテクノロジーズ | 欠陥分類方法 |
| US7756320B2 (en) * | 2003-03-12 | 2010-07-13 | Hitachi High-Technologies Corporation | Defect classification using a logical equation for high stage classification |
| JP5134188B2 (ja) * | 2004-10-15 | 2013-01-30 | ケーエルエー−テンカー コーポレイション | 試料上の欠陥を分析する装置 |
| JP4664708B2 (ja) * | 2005-03-07 | 2011-04-06 | 株式会社東芝 | 欠陥レビューシステム、欠陥レビュー方法、及び電子装置の製造方法 |
| CN1936614A (zh) * | 2005-08-15 | 2007-03-28 | 特克特朗尼克公司 | 拖放逻辑分析仪触发器 |
| US7554656B2 (en) * | 2005-10-06 | 2009-06-30 | Kla-Tencor Technologies Corp. | Methods and systems for inspection of a wafer |
| US7747062B2 (en) * | 2005-11-09 | 2010-06-29 | Kla-Tencor Technologies Corp. | Methods, defect review tools, and systems for locating a defect in a defect review process |
| US7570796B2 (en) * | 2005-11-18 | 2009-08-04 | Kla-Tencor Technologies Corp. | Methods and systems for utilizing design data in combination with inspection data |
| US7728969B2 (en) * | 2006-12-05 | 2010-06-01 | Kla-Tencor Technologies Corp. | Methods and systems for identifying defect types on a wafer |
-
2010
- 2010-06-23 WO PCT/US2010/039656 patent/WO2011002651A1/en active Application Filing
- 2010-06-23 EP EP10794564A patent/EP2449390A1/en not_active Withdrawn
- 2010-06-23 US US12/811,319 patent/US8537349B2/en active Active
- 2010-06-23 JP JP2012518552A patent/JP5583766B2/ja not_active Expired - Fee Related
- 2010-06-23 KR KR1020127002877A patent/KR20120093820A/ko not_active Application Discontinuation
- 2010-06-23 CN CN2010800303112A patent/CN102576045A/zh active Pending
- 2010-07-01 TW TW099121738A patent/TWI435072B/zh active
Also Published As
| Publication number | Publication date |
|---|---|
| TW201128183A (en) | 2011-08-16 |
| TWI435072B (zh) | 2014-04-21 |
| CN102576045A (zh) | 2012-07-11 |
| JP2012532458A (ja) | 2012-12-13 |
| JP5583766B2 (ja) | 2014-09-03 |
| US8537349B2 (en) | 2013-09-17 |
| WO2011002651A1 (en) | 2011-01-06 |
| EP2449390A1 (en) | 2012-05-09 |
| US20110224932A1 (en) | 2011-09-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20120093820A (ko) | 시변 결함 분류 성능의 모니터링 | |
| KR101381309B1 (ko) | 계측 샘플링 계획을 생성하기 위한 컴퓨터-구현 방법들, 캐리어 매체들 및 시스템들 | |
| US9201022B2 (en) | Extraction of systematic defects | |
| JP6326465B2 (ja) | ウェーハー上の設計欠陥および工程欠陥の検出、ウェーハー上の欠陥の精査、設計内の１つ以上の特徴を工程監視特徴として使用するための選択、またはそのいくつかの組み合わせのための方法 | |
| KR102386536B1 (ko) | 시편 상의 관심 패턴의 하나 이상의 특성의 결정 | |
| US9739720B2 (en) | Method, computer system and apparatus for recipe generation for automated inspection of semiconductor devices | |
| US8799831B2 (en) | Inline defect analysis for sampling and SPC | |
| TW201734439A (zh) | 混合檢查器 | |
| US8755045B2 (en) | Detecting method for forming semiconductor device | |
| KR20150140349A (ko) | 반도체 검사 레시피 생성, 결함 리뷰 및 계측을 위한 적응적 샘플링 | |
| TWI617816B (zh) | 晶圓的可適性電性測試 | |
| TW202030475A (zh) | 基於設計及雜訊之關注區域 | |
| US11688052B2 (en) | Computer assisted weak pattern detection and quantification system | |
| TW201947432A (zh) | 產生用於陣列區之缺陷樣本 | |
| KR102574356B1 (ko) | 얕은 딥 러닝을 이용한 차분 필터 및 애퍼처 선택을 위한 시스템 및 방법 | |
| Fiekowsky et al. | Automating defect disposition in fabs and maskshops |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| WITN | Application deemed withdrawn, e.g. because no request for examination was filed or no examination fee was paid |